شما اینجائید:خانه»سورس کد»پیاده سازی الگوریتم های طبقه بندی دیتا (MLP-RBF-KNN-SVM) در متلب
پیاده سازی الگوریتم های طبقه بندی دیتا (MLP-RBF-KNN-SVM) در متلب
ارسال شده توسط:Papersimتاریخ ارسال: 2015/05/07در سورس کددیدگاهها برای پیاده سازی الگوریتم های طبقه بندی دیتا (MLP-RBF-KNN-SVM) در متلب بسته هستند
هدف پیاده سازی الگوریتم های طبقه بندی دیتا (MLP-RBF-KNN-SVM) در متلب
در این شبیه سازی چهار الگوریتم رایج طبقه بندی بر روی یک دیتابیس در متلب برنامه نویسی شده و در پایان نتایج مقایسه گردیده است.
شبکه عصبی پرسپترون چندلایه (MLP)
شبکه عصبی پرسپترون چند لایه، رایجترین شبکههای عصبی میباشد. این شبکهها جزو شبکههای عصبی پیشخور میباشند که قادرند با انتخاب مناسب تعداد لایهها و نورونها، یک نگاشت غیرخطی را با دقت دلخواه انجام دهند. پارامترهای قابل تنظیم در شبکههای MLP، وزن اتصالات مابین لایهها است و فرآیند آموزش در این شبکهها، به معنی یافتن مقادیر مناسب برای وزنهای اتصالات مابین نورونها میباشد. متداولترین الگوریتم یادگیری این شبکهها، الگوریتم پس انتشار خطا است.
شبکه عصبی تابع پایه شعاعی (RBF)
شبکههای تابع پایه شعاعی از نوع شبکههای پیشرو همراه با یک لایه پنهان هستند که برای اولین بار در سال ۱۹۸۸ توسظ برومهد و لاو معرفی شدند. در این روش اغلب، تابع محرک در لایه پنهان تابع گوسین و در لایه خروجی تابع خطی است. به طور معمول آموزش شبکه RBF به دو بخش تقسیم میشود؛ بخش اول، یادگیری از نوع بدون سرپرستی است که به کمک روشهای خوشهبندی، پارامترهای توابع پایه (مراکز و عرضها)، با استفاده از اطلاعات ورودی تعیین میشود. در بخش دوم که از نوع یادگیری با سرپرستی است وزنهای بین لایه پنهان و لایه خروجی با استفاده از روشهای کاهش شیب و رگرسیون خطی تعیین میشود.
ماشین بردار پشتیبان (SVM)
ماشین بردار پشتیبان یک گروه از الگوریتمهای طبقهبندی نظارتشده هستند، که پیشبینی میکند یک نمونه در کدام کلاس یا گروه قرار میگیرد. این الگوریتم برای تفکیک دو کلاس از هم، از یک صفحه استفاده میکند به طوری که این صفحه از هر طرف بیشترین فاصله را تا هر دو کلاس داشته باشد. نزدیکترین نمونههای آموزشی به این صفحه “بردارهای پشتیبان” نام دارند . ماشین بردار پشتیبان اصولا یک طبقهبندی کنندهی باینری است، در حالیکه بیشتر مسائل، مربوط به طبقهبندی کنندههای چندکلاسی است. برای رفع این مشکل، روشهای زیادی مبتنی بر ماشین بردار پشتیبان، برای مسائل چندکلاسی مطرح شده است که از پرکاربردترین آنها میتوان به یکی در مقابل همه[۱]، یکی در مقابل یکی[۲]، همه با هم[۳] و گراف غیرحلقوی مستقیم[۴] اشاره نمود.
K نزدیکترین همسایه (KNN)
یکی از بهترین، سادهترین و متداولترین طبقهبندی کنندهها بر پایه یادگیری نمونه، طبقهبند K نزدیکترین همسایه است. این طبقهبند، نمونه تست را متعلق به کلاسی میداند که بیشترین آرا را در بین K نزدیکترین همسایگان آن داشته باشد.
پیادهسازی در متلب: در این بخش به نحوه پیادهسازی هر یک از چهار روش معرفی شده پراخته میشود. ابتدای دادهی مورد نظر که داخل یک فایل Excel است خوانده شده و سپس برای اعتباربخشی به نتایج به صورت تصادفی مرتب میشوند. پس از آن ۸۰% داده به عنوان دادهی آموزش و ۲۰% باقیمانده به عنوان داده آزمایش در نظر گرفته میشود.
عنوان شبیه سازی
پیاده سازی الگوریتم های طبقه بندی دیتا (MLP-RBF-KNN-SVM) در متلب